匹配

来自集智百科 - 伊辛模型
跳到导航 跳到搜索

匹配(Matching)是观察研究(Observational Study)准实验研究(Quasi-experiment)(即处理(Treatment)是非随机分配的)中,通过比较已接受处理和未接受处理的个体(unit),以评估处理效应的一种统计技术。匹配的目标是,对每个处理组的个体,找到一个(或多个)具有相似可观察特征的控制组(即未接受处理组)的个体,以评估处理效应。匹配方法通过将处理组个体与相似的控制组个体进行匹配,可以减少混杂因素带来的偏差,使得处理组与控制组的结果(outcome)可直接比较,从而估计出处理效应。[1][2][3] 倾向性得分匹配(Propensity Score Matching),一种早期的匹配技术,是作为鲁宾因果模型(Rubin Causal Model)[4]的一部分发展起来的,但已被证明会增加模型依赖性和偏差、降低估计效率和检验功效(power),与其他匹配方法相比不再推荐使用。[5]

匹配由唐纳德•鲁宾(Donald Rubin)[4]推动,在经济学中主要受到LaLonde[6]的批评。LaLonde在一个实验中比较了处理效应估计和运用匹配方法产生的可比估计,表明匹配方法是有偏的。Dehejia和Wahba重新评估了LaLonde的批评,并指出匹配是一个很好的解决方案。[7]政治学[8]和社会学期刊[9]上也提出了类似的批评。

分析

当感兴趣的结果是二元变量时,分析匹配后的数据的最常用工具是条件Logistic回归模型,因为它可以处理任意多个层,连续或二元处理变量(或自变量),并且可以控制协变量。在特定情况下,一些常用的检验方法可直接使用,如:配对差异检验(paired difference test)、 McNemar 检验和 Cochran-Mantel-Haenzel 检验等。

当感兴趣的结果是连续的,通过对平均处理效应(Average Treatment Effect)进行估计。

匹配也可用于在进行其他技术分析(例如回归分析)之前“预处理”样本。[10]

过匹配

过匹配是对表面是中介变量、实际上是暴露的结果进行匹配。如果中介变量本身是分层的,则很可能引致一种暴露与疾病的令人费解的关系。[11]过匹配因此导致统计偏误。[11]


例如,在估计体外受精(IVF)后的围产期死亡率和出生体重时,按妊娠期和/或多胎数来匹配对照组就是过度匹配,因为IVF本身会增加早产和多胎的风险。[12]


它可以被看作是一个降低研究外部效度的抽样偏误,因为相比一般人群,对照组在暴露方面变得更类似于病例。


另见


参考文献

  1. Rubin, Donald B. (1973). "Matching to Remove Bias in Observational Studies". Biometrics. 29 (1): 159–183. doi:10.2307/2529684. JSTOR 2529684.
  2. Anderson, Dallas W.; Kish, Leslie; Cornell, Richard G. (1980). "On Stratification, Grouping and Matching". Scandinavian Journal of Statistics. 7 (2): 61–66. JSTOR 4615774.
  3. Kupper, Lawrence L.; Karon, John M.; Kleinbaum, David G.; Morgenstern, Hal; Lewis, Donald K. (1981). "Matching in Epidemiologic Studies: Validity and Efficiency Considerations". Biometrics. 37 (2): 271–291. CiteSeerX 10.1.1.154.1197. doi:10.2307/2530417. JSTOR 2530417. PMID 7272415.
  4. 4.0 4.1 Rosenbaum, Paul R.; Rubin, Donald B. (1983). "The Central Role of the Propensity Score in Observational Studies for Causal Effects". Biometrika. 70 (1): 41–55. doi:10.1093/biomet/70.1.41.
  5. King, Gary; Nielsen, Richard (October 2019). "Why Propensity Scores Should Not Be Used for Matching". Political Analysis (in English). 27 (4): 435–454. doi:10.1017/pan.2019.11. ISSN 1047-1987.
  6. LaLonde, Robert J. (1986). "Evaluating the Econometric Evaluations of Training Programs with Experimental Data". American Economic Review. 76 (4): 604–620. JSTOR 1806062.
  7. Dehejia, R. H.; Wahba, S. (1999). "Causal Effects in Nonexperimental Studies: Reevaluating the Evaluation of Training Programs" (PDF). Journal of the American Statistical Association. 94 (448): 1053–1062. doi:10.1080/01621459.1999.10473858.
  8. Arceneaux, Kevin; Gerber, Alan S.; Green, Donald P. (2006). "Comparing Experimental and Matching Methods Using a Large-Scale Field Experiment on Voter Mobilization". Political Analysis. 14 (1): 37–62. doi:10.1093/pan/mpj001.
  9. Arceneaux, Kevin; Gerber, Alan S.; Green, Donald P. (2010). "A Cautionary Note on the Use of Matching to Estimate Causal Effects: An Empirical Example Comparing Matching Estimates to an Experimental Benchmark". Sociological Methods & Research. 39 (2): 256–282. doi:10.1177/0049124110378098.
  10. Ho, Daniel E.; Imai, Kosuke; King, Gary; Stuart, Elizabeth A. (2007). "Matching as Nonparametric Preprocessing for Reducing Model Dependence in Parametric Causal Inference". Political Analysis. 15 (3): 199–236. doi:10.1093/pan/mpl013.
  11. 11.0 11.1 Marsh, J. L.; Hutton, J. L.; Binks, K. (2002). "Removal of radiation dose response effects: an example of over-matching". British Medical Journal. 325 (7359): 327–330. doi:10.1136/bmj.325.7359.327. PMC 1123834. PMID 12169512.
  12. Gissler, M.; Hemminki, E. (1996). "The danger of overmatching in studies of the perinatal mortality and birthweight of infants born after assisted conception". Eur J Obstet Gynecol Reprod Biol. 69 (2): 73–75. doi:10.1016/0301-2115(95)02517-0. PMID 8902436.


进一步阅读

  • Angrist, Joshua D.; Pischke, Jörn-Steffen (2009). "Regression Meets Matching". Mostly Harmless Econometrics: An Empiricist's Companion. Princeton University Press. pp. 69–80. ISBN 978-0-691-12034-8. 


编者推荐

集智课程

计量经济学因果分析工具在快手中的应用

在产品迭代和公司决策中,我们常常关心A如何影响B,在不方便使用A/B实验的场景下,我们可以用因果分析的方法,结合观测数据来回答这个问题。主讲人会介绍在快手常用的因果分析计量经济学方法(包括工具变量法、匹配法、双重差分法、合成控制法等),因果分析和机器学习结合的前沿方法(矩阵补全法、基于决策树/随机森林的异质性的因果效应估计等),以及这些方法如何与业务实践相结合。


集智文章



本中文词条由Frombtotop翻译,薄荷编辑,欢迎在讨论页面留言。


本词条内容源自wikipedia及公开资料,遵守 CC3.0协议。